Word2Vec تخطي جرام واختبار CBOW

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما الذي تتوقعه بنية Skip-Gram؟
   • كلمات السياق المحيطة من الكلمة المركزية
   • الكلمة المركزية من كلمات السياق المحيطة
   • الجملة التالية في الوثيقة
   • علامة جزء الكلام لكل كلمة
2. ما هو الناتج الفعلي المفيد لتدريب نموذج Word2Vec؟
   • دقة التنبؤ على كلمات السياق
   • مصفوفة الوزن المستفادة، التي تمثل صفوفها ناقلات الكلمات
   • شجرة تحليل الجملة
   • احتمال لكل فئة وثيقة
3. لماذا يستخدم Word2Vec أخذ العينات السلبية؟
   • لزيادة حجم المفردات
   • للترجمة بين اللغات
   • لتجنب softmax الكامل باهظ الثمن على المفردات بأكملها
   • لإزالة كلمات التوقف تلقائيا
4. What does subsampling frequent words do in the later Word2Vec training method?
   • It reduces the influence of very frequent words and can speed training
   • It turns every word into a character n-gram
   • It changes CBOW into a sentence classifier
   • It guarantees better vectors for every rare word
5. ما الخاصية الشهيرة لمتجهات Word2Vec الموضحة بواسطة "ملك - رجل + امرأة ≈ ملكة"؟
   • تشبيهات المتجهات عبر الحساب الخطي
   • البحث الدقيق في القاموس
   • تصحيح الأخطاء النحوية
   • تطبيع طول الجملة
6. من قدم Word2Vec وفي أي عام؟
   • جيفري هينتون في تورونتو، 2006
   • توماس ميكولوف وزملاؤه في Google، 2013
   • يان ليكون في مختبرات بيل، 1998
   • OpenAI، 2018
7. What does the CBOW architecture predict from its input context?
   • Each future paragraph in the document
   • The sentiment label of the full corpus
   • The center word surrounded by the context window
   • The spelling of a character n-gram
8. What distribution does the original Word2Vec paper use to draw negative samples?
   • A uniform distribution over all character n-grams
   • A distribution based only on word length
   • A distribution proportional to squared inverse frequency
   • A unigram word-frequency distribution raised to the 0.75 power